Schlussbericht Medwater, Teilgruppe 5

Abstract

GROW-Verbundprojekt MedWater: Nachhaltige Bewirtschaftung politisch und ökonomisch relevanter Wasserressourcen in hydraulisch, klimatisch und ökologisch hoch-dynamischen Festgesteinsgrundwasserleitern des Mittelmeerraumes

Schlussbericht
Teilgruppe 5

Full text

Schlussbericht
Zuwendungsempfänger:
Büro für Angewandte Hydrologie,
Berlin (BAH Berlin)
Förderkennzeichen:
02WGR1428E
Vorhabenbezeichnung:
GROW - Verbundprojekt MedWater: Nachhaltige Bewirtschaftung politisch
und ökonomisch relevanter Wasserressourcen in hydraulisch, klimatisch
und ökologisch hoch-dynamischen Festgesteinsgrundwasserleitern des
Mittelmeerraumes
Schlussbericht Teilgruppe 5
Laufzeit des Vorhabens:
01.07.2017– 31.12.2020
Berichtszeitraum:
01.07.2017 – 31.12.2020

S e i t e 1 | 36
Das diesem Bericht zugrunde liegende Vorhaben wurde mit Mitteln des
Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen
02WGR1428E gefördert.
Die Verantwortung für den Inhalt dieser Veröffentlichung liegt beim Autor.
Autoren:
Ruben Müller 1
1 Büro für Angewandte Hydrologie, Berlin
Gefördert vom Bundesministerium für Bildung und Forschung (BMBF) innerhalb der
Fördermaßnahme Globale Ressource Wasser (GRoW)

S e i t e 2 | 36
Inhaltsverzeichnis
Inhaltsverzeichnis ........................................................................................................................................... 2
Abbildungsverzeichnis .................................................................................................................................. 4
Tabellenverzeichnis ....................................................................................................................................... 4
I. Teil I: Kurzdarstellung ..................................................................................................................... 5
I.1. Aufgabenstellung ........................................................................................................................... 5
I.2. Voraussetzungen zur Durchführung des Vorhabens ....................................................... 5
I.3. Planung und Ablauf des Vorhabens ........................................................................................ 6
I.4. Wissenschaftlicher und technischer Stand, an den angeknüpft wurde .................... 6
I.5. Zusammenarbeit mit anderen Stellen ................................................................................... 8
II. Teil II: Eingehende Darstellung ................................................................................................... 8
II.1. Übersicht über erzielte Ergebnisse mit Gegenüberstellung der vorgegebenen
Ziele 8
II.1.1. Optimierungsframework.................................................................................................... 8
Grundlegende Schritte bei der Anwendung des Optimierungsframework .................... 9
II.1.2. Multi-kriterielle Optimierung und Entwicklungsszenarien .............................. 12
Fallbeispiel............................................................................................................................................. 12
Beschreibung der Zielfunktionen ................................................................................................. 15
Entscheidungsvariablen ................................................................................................................... 16
Ergebnisse für die Zeitscheibe 2020, Basisszenario ............................................................. 16
Ergebnisse für die Zeitscheibe 2040, Szenario RNC .............................................................. 20
Ergebnisse für die Zeitscheibe 2040, Szenario RRI ............................................................... 22
Ergebnisse für die Zeitscheibe 2050, Szenario RNC .............................................................. 24
Ergebnisse für die Zeitscheibe 2050, Szenario RRI ............................................................... 26
II.2. Literaturrecherche ..................................................................................................................... 28
II.3. Wichtigste Positionen des zahlenmäßigen Nachweises .............................................. 28
II.4. Notwendigkeit und Angemessenheit der geleisteten Arbeit ..................................... 28
II.5. Voraussichtlicher Nutzen, Verwertbarkeit des Ergebnisses...................................... 29
II.6. Bekannt gewordener Fortschritt auf dem Gebiet des Vorhabens bei anderen
Stellen ........................................................................................................................................................... 29
II.7. Veröffentlichungen und Fachvorträge des Projektkonsortiums .............................. 29
Literatur ........................................................................................................................................................... 30
Anhang .............................................................................................................................................................. 32

S e i t e 3 | 36

S e i t e 4 | 36
Abbildungsverzeichnis
Abbildung 1: Schema der simulationsbasierten multi-kriteriellen Optimierung. ................. 7
Abbildung 2: Sequentielle Modellausführung von Modflow und pywr...................................... 9
Abbildung 4: Wasserverteilungsnetz für das fiktive wasserwirtschaftliche System. ........ 13
Abbildung 5: Karte des Western Mountain Aquifer. ....................................................................... 15
Abbildung 6: Pareto-Front für das Szenario RNC in der Zeitscheibe 2020. .......................... 17
Abbildung 7: Grundwasserstände Zeitscheibe 2020, Szenario RNC. ....................................... 19
Abbildung 7: Pareto-Front für das Szenario RNC in der Zeitscheibe 2040 ........................... 20
Abbildung 8: Grundwasserstände in der Zeitscheibe 2020, Szenario RNC. .......................... 21
Abbildung 9: Pareto-Front für das Szenario RRI in der Zeitscheibe 2040. ............................ 22
Abbildung 10: Grundwasserstände in der Zeitscheibe 2040, Szenario RRI. ......................... 23
Abbildung 11: Verteilung der Optimierungsparameter für das Szenario 2040, RNC........ 24
Abbildung 12: Pareto-Front für das Szenario RNC in der Zeitscheibe 2050 ......................... 24
Abbildung 13: Grundwasserstände in der Zeitscheibe 2050, Szenario RNC. ....................... 25
Abbildung 14: Pareto-Front für das Szenario RRI in der Zeitscheibe 2050 .......................... 26
Abbildung 15: Grundwasserstände in der Zeitscheibe 2050, Szenario RRI. ......................... 28
Abbildung 16: Karte des WMA mit den Grundwassermessstellen. .......................................... 35
Tabellenverzeichnis
Tabelle 1: Bereitgestellte und verbrauchte jährliche Wassermengen im WMA für die vier
ausgewählten Lösungen für die Zeitscheibe 2020. ......................................................................... 17
Tabelle 2: Anzahl maximalen Zeiträume, in Monaten, in denen der Mindestwert der
Quellschüttung an der Tarmin—Quelle unterschritten wird. .................................................... 18
Tabelle 3: Bereitgestellte und verbrauchte jährliche Wassermengen im WMA für die vier
ausgewählten Lösungen für die Zeitscheibe 2040 und Szenario RNC. .................................... 21
Tabelle 4: Bereitgestellte und verbrauchte jährliche Wassermengen im WMA für die vier
ausgewählten Lösungen für die Zeitscheibe 2040 und Szenario RRI. ..................................... 22
Tabelle 5: Realisierte bereitgestellte und verbrauchte jährliche Wassermengen im WMA
für die vier ausgewählten Lösungen für die Zeitscheibe 2020 und Szenario RNC. ............ 26
Tabelle 6: Realisierte bereitgestellte und verbrauchte jährliche Wassermengen im WMA
für die vier ausgewählten Lösungen für die Zeitscheibe 2050 und Szenario RRI. ............. 27
Tabelle 8: Randbedingungen für die Parzellen im Modell für die Zeitscheibe 2020,
abgeleitet aus dem MedWater-Produkt 3.2 ....................................................................................... 33
Tabelle 9: Randbedingungen für die Parzellen im Modell für die Zeitscheibe 2040,
Szenario RNC, abgeleitet aus dem MedWater-Produkt 3.2 .......................................................... 33
Tabelle 10: Randbedingungen für die Parzellen im Modell für die Zeitscheibe 2040,
Szenario RRI, abgeleitet aus dem MedWater-Produkt 3.2 ........................................................... 33
Tabelle 11: Randbedingungen für die Parzellen im Modell für die Zeitscheibe 2050,
Szenario RNC, abgeleitet aus dem MedWater-Produkt 3.2 .......................................................... 34
Tabelle 12: Randbedingungen für die Parzellen im Modell für die Zeitscheibe 2050,
Szenario RRI, abgeleitet aus dem MedWater-Produkt 3.2 ........................................................... 34

S e i t e 5 | 36
I. Teil I: Kurzdarstellung
I.1. Aufgabenstellung
Ziel des Gesamtvorhabens MedWater ist die Optimierung der Bewirtschaftung knapper
Grundwasserressourcen in vulnerablen Festgesteinsgrundwasserleitern unter
mediterranen Klimabedingungen. Dies soll durch die Entwicklung von
Managementwerkzeugen zur Verbesserung der Wassernutzungseffizienz unter
Berücksichtigung des Erhalts vorhandener Wasserressourcen und Ökosystemleistungen
erreicht werden.
An zentraler Stelle stehen in MedWater hydrologische und hydrogeologische
Prozessmodelle. Zukünftige Rahmenbedingungen für die Prozessmodelle liefern
Szenarienanalysen, die die Auswirkungen externer Faktoren (z.B. Landnutzung,
Klimaänderung) auf Wasserressourcen und Ökosystemleistungen quantifizieren. Mittels
multi-kriterieller Optimierung (MKO) werden Pareto-optimale Lösungen für die
Bewirtschaftung der Wasserressourcen identifiziert und daraus
Entwicklungsmöglichkeiten abgeleitet.
Zum Erreichen des Ziels des Gesamtvorhabens bearbeitete die Arbeitsgruppe 5 die
folgenden Arbeitsschwerpunkte:
 WP 5.1.1 Ziel ist die Erstellung eines generalisierten multi-kriteriellen
Optimierungsframeworks (Mooflow) in Python. Das Framework erlaubt die
Kopplung des Prozessmodells MODFLOW mit einem Wasserverteilungsmodell
und parallelisierten MKO-Algorithmen.
 WP 5.1.2 Es erfolgt die Durchführung von Mehrzieloptimierungen, um diverse
bestmögliche Kompromisslösungen für die Grundwasserbewirtschaftung zu
generieren.
 WP 5.2.1 Aus den Ergebnissen des WP 5.1.2 erfolgt eine Auswahl von
Kompromisslösungen, die mögliche präferierte Entwicklungsszenarien für das
wasserwirtschaftliche Management im Western Mountain Aquifer (WMA; in
Westjordanland und Israel) darstellen.
 WP 5.2.2 Eine Literaturrecherche zu Bewässerungsmethoden sowie die aktuellen
wissenschaftlichen Fortschritte in der Bewässerungsoptimierung wird für das
Entscheidungshilfesystem (WP 7.1.1) erstellt.
I.2. Voraussetzungen zur Durchführung des Vorhabens
Das Vorhaben wurde in Zusammenarbeit mit den verschiedenen Arbeitsgruppen im
Verbundprojekt Medwater durchgeführt. Folgende Teilprojekte lieferten Grundlagen für
die hier durchgeführten Arbeiten:
 Die Arbeitsgruppe 3 erstellte den Szenarienkatalog, der die möglichen
Entwicklungen von verschiedenen Randbedingungen bis zum Jahr 2050
beschreibt.
 Die Arbeitsgruppe 2 stellt ein kalibriertes und validiertes Modflow-Modell des
Western Mountain Aquifer zur Verfügung.

S e i t e 6 | 36
Die internationalen Projektpartner Hydrologischer Service Israel (HSI) und die Mekorot
Israel National Water Company standen als Stakeholder, Ansprechpartner und zur
Datenbereitstellung zur Seite.
I.3. Planung und Ablauf des Vorhabens
Der generelle Projektbeginn verspätete sich um 2 Monate. Probleme in der Datenakquise
führten zu weiteren Verzögerungen und erforderten letztlich eine kostenneutrale
Verlängerung bis Ende des Jahres 2020 für das WP5 und bis zum Ende 2021 für andere
WP des Gesamtprojekts.
Das Arbeitspaket WP 5.1.1 sah ursprünglich die Erstellung eines mathematischen
Ersatzmodelles [siehe z.B. Chen et al. 2016, Heydari et al., 2016] für das rechenintensive
Modflow-Modell des WMA vor. Mathematische Ersatzmodelle benötigten als rein
datengetriebene Modelle eine ausreichende gute Datengrundlage, wie Simulations-
ergebnisse aus kalibrierten und validierten Prozessmodellen. Diese Zuarbeiten
verzögerten sich jedoch auf Grund von Problemen bei der projektübergreifenden
Datenakquise und bei der Modellerstellung, was auch den Zeitplan des Teilprojekts 5
gefährdete.
Wie in den halbjährigen Zwischenberichten angezeigt, wurde stattdessen als Ersatz für
WP 5.1.1 die Entwicklung eines generalisierten Optimierungsframework angestrebt und
umgesetzt. Ausschlaggebend war, dass diese Entwicklung parallel zu den Arbeiten der
anderen Arbeitsgruppen geschehen konnte. Auch ist bisher keine Software speziell für die
simulationsbasierte Optimierung der Grundwasserbewirtschaftung mit Modflow als
Prozessmodell verfügbar, was diese Neuausrichtung rechtfertigt. Das Ziel der
Neuentwicklung war daher, ein möglichst flexibles Framework zu schaffen, das auch
effizient auf andere Problemstellungen und Modellregionen angewendet werden kann.
In Kooperation mit unseren internationalen Projektpartnern sollte das
Optimierungsframework dann für die Lösung einer regionalen Fragestellung innerhalb
des wasserwirtschaftlichen Systems angewendet werden.
Da die Daten zur Beschreibung des Optimierungsgegenstandes durch die internationalen
Projektpartner nicht bereitgestellt werden konnten, wurde als Alternative ein zuvor für
Testzwecke entworfenes fiktives wasserwirtschaftliches System ausgebaut und für die
Evaluation des Optimierungsframework genutzt.
WP 5.2.1 sah ursprünglich eine Auswahl von Lösungen aus den Ergebnissen der multi-
kriteriellen Optimierung als Entwicklungsszenerien unter Berücksichtigung der
Präferenzen der Stakeholder mittels einer Methodik nach Zio und Bazzo [2011] vor. Da
die Präferenzen der Stakeholder nicht mitgeteilt werden konnten, wurden stattdessen
Lösungen ausgewählt, die die erzielten Pareto-Fronten weitgefächert abdecken. So wird
alternativ ein breiter Überblick über die möglichen Kompromisse gewährleistet.
I.4. Wissenschaftlicher und technischer Stand, an den angeknüpft wurde
Der Einsatz von multi-kriterieller simulationsbasierter Optimierung im Bereich der
Grundwasserbewirtschaftung ist State-of-the-Art und findet breite Anwendung [Sadegh
et al., 2016; Yin und Tsai, 2017; Afshar et al., 2020; Yin et al., 2020]. Hierbei wird iterativ
ein vom Optimierungsalgorithmus verbesserter Satz Optimierungsvariablen an ein

S e i t e 7 | 36
Simulationsmodell übergeben, durch dieses evaluiert und in Zielfunktionswerte
übersetzt, siehe Abbildung 1.
Multi-kriterielle Optimierungsansätze auf Basis der Pareto-Optimalität erlauben es, eine
Pareto-optimale Menge an Lösungen zu ermitteln, die die gesamte
Spannweite an bestmöglichen (Pareto-optimalen) Kompromissen zwischen in Konflikt
stehenden Zielfunktionen approximieren. Dies ermöglicht ein tieferes Verständnis für das
betrachtete System, indem die Wechselwirkungen der Ziele und die Breite an möglichen
Kompromisse erkennbar werden. Stakeholdern bietet dies eine zusätzliche Informations-
quelle, die in den Entscheidungsprozess a-posteriori mit einbezogen werden kann
[Larichev, 1992]. Mitunter ist die a-posteriori Entscheidungsfindung sehr komplex und
nicht intuitiv, besonders wenn viele Zielfunktionen zu beachten sind, viele
Kompromisslösungen vorliegen und mehrere Stakeholder mit unterschiedlichen
Interessen entscheiden. Hier bieten multi-kriterielle Entscheidungsfindungstechniken
Unterstützung [Zio und Bazzo, 2011].
Abbildung 1: Schema der simulationsbasierten multi-kriteriellen Optimierung.
Die Programmiersprache Python ist auf Grund ihrer einfachen Anwendung und vielen frei
verfügbaren Softwarepaketen in der Wissenschaft und Wirtschaft weit verbreitet. Für
Python existiert mit Flopy [Bakker et al., 2016] bereits ein Paket zum einfachen Aufsetzen
eines Modells in Modflow. Flopy stellt darüber hinaus vielfältige Werkzeuge z.B. für die
Visualisierung bereit. Ein Wrapper für Modflow (in der Version 6) mit Python liegt mit
pymf6 [Müller, 2020] vor. Ein Python-Paket, das das Aufsetzen simulationsbasierten MKO
mit Modflow vereinfacht, existiert bisher noch nicht. Ebenso ist keine Studie bekannt, die
innerhalb einer simulationsbasierten MKO die Optimierung von Entnahmen und
Einleitungen innerhalb der Grundwasserbewirtschaftung mit einem komplexen
Wasserverteilungsproblem kombiniert. Eine detailgetreue Abbildung der Flexibilität
eines wasserwirtschaftlichen Verteilungssystems, lokale Defizite durch Zuleitung von
anderweitigen Überschüssen auszugleichen kann jedoch Wichtig sein, um den
Entscheidungsraum innerhalb einer Optimierung voll abzudecken.

S e i t e 8 | 36
I.5. Zusammenarbeit mit anderen Stellen
Das Projekt wurde primär in Abstimmung mit den Arbeitsgruppen WP2 und WP3
durchgeführt. Neben den Statustreffen wurden während der Projektlaufzeit
Arbeitstreffen durch das Projektmanagement organsiert. Darüber hinaus wurden
Telefonkonferenzen abgehalten.
Der Kontakt zu den internationalen Projektpartnern geschah telefonisch, durch
Gespräche während Workshops oder über indirekt über das Projektmanagement
während Auslandsreisen.
II. Teil II: Eingehende Darstellung
II.1. Übersicht über erzielte Ergebnisse mit Gegenüberstellung der
vorgegebenen Ziele
II.1.1. Optimierungsframework
Das entwickelte Optimierungsframework Mooflow (multi-objective optimization for
Modflow) entspricht dem Produkt WP 5.1.1. Eine Innovation des Optimierungs-
framework besteht in der Integration der prozessbasierten Simulation der Reaktion eines
Grundwasserleiters auf räumlich differenzierte Änderungen von Entnahmen und
Einleitungen und der nachgeschalteten Simulation des Ausgleichsvermögens eines
zugehörigen wasserwirtschaftlichen Verteilungssystems mit alternativen Wasserquellen
(Meerwasserentsalzung, Abwasseraufbereitung, Grundwasseranreicherung, etc.) und
Abnehmern, wie Abbildung 2 illustriert.
Diese generelle Methodik wird für die Modellregion des WMA angewendet und ist einfach
auf andere Regionen übertragbar. Die Nachschaltung der Wasserverteilung bleibt dabei
für eine maximale Flexibilität jedoch immer optional.
Das Lösen von Fragestellungen muss für großflächige Grundwasserleiter mit einer
Vielzahl Brunnen, Stakeholdern und einem übergeordneten Verteilungssystem möglichst
vereinfacht werden, um bei wenigen Iterationen eine robuste Approximation der Pareto-
Front zu erreichen.
Dies kann über eine Reduktion der Optimierungsparameter erreicht werden. Entnahme-
und Einleitungsraten werden hierbei als quasistationär angenommen, ein Jahresgang
(Muster) bleibt also über den Simulationszeitraum unverändert. Mit dieser
Voraussetzung lassen sich einzelne Brunnen nach anwenderseitig festzulegenden Regeln
zu Brunnengruppen zusammenfassen. Diese teilen sich einen oder mehrere Parameter
zur Skalierung der vordefinierten Entnahme- oder Einspeisungsmuster. Die Zuteilung zu
Brunnengruppen (Skalierung) ist innerhalb des Optimierungsframeworks unabhängig
von der Zuordnung zu aktiven Knoten (z.B. die Knoten GW_Parzelle) im
Wasserverteilungssystem, was eine hohe Flexibilität der Festlegungen zulässt.

S e i t e 9 | 36
Abbildung 2: Sequentielle Modellausführung von Modflow und pywr innerhalb der MKO.
Das Framework verwendet Pakete von Drittanbietern. Für Python stehen mehrere Pakete
die MKO-Algorithmen bereit, wie z.B. pyGMO [Izzo, 2012], Platypus [Hadka, 2020],
Inspyred [Garrett, 2020], Scipy [Virtanen et al., 2020] und DEAP [Fortin et al., 2012]. Für
DEAP sprechen das Vorhandensein der leistungsfähigen evolutionären Strategie
MO-CMA-ES [Igel et al., 2007] und die einfache Implementierung eines parallelen Zugriffs
auf verschiedene Instanzen des Prozessmodells MODFLOW innerhalb einer
parallelisierten Evaluation der Individuen je Iterationsschritt.
Für Python existiert derzeit nur ein Wasserverteilungsmodell. Pywr [Tomlinson et al.,
2020] nutzt zur Simulation der Wasserverteilung lineare Optimierung. Weiterhin nutzt
Mooflow das Paket Flopy zum Auslesen der binären Ausgabedateien von Modflow.
Grundlegende Schritte bei der Anwendung des Optimierungsframework
Die allgemeinen Schritte zum Aufsetzen einer MKO mit dem Optimierungsframework
sind im Folgenden exemplarisch dargestellt. Die Schritte sind:
1. Erstellen einer Funktion die die Modellevaluation verwaltet, in der Form
def eval_modflow(parameters, threadnumber):
#Code
return [Zielfunktion 1, …, Zielfunktion n]
Die Funktion eval_modflow wird zum MOO-Algorithmus mit den zu evaluierenden
Parametern parameters aufgerufen. In einer parallelisierten Umgebung gibt
threadnumber an, welche Modellkopie anzusteuern, ansonsten ist threadnumber null.
2. Erstellen eines Python-Skripts zum Start der Optimierung
if __name__ == "__main__":
# Code for multi-objective optimization algorithm
Der Code an der Stelle # ist je nach verwendetem Optimierungsalgorithmus und
Softwarepaket unterschiedlich. Ein Beispiel für einen Parallelisierten MO-CMA-ES
unter Deap findet sich im Git des Optimierungsframework Mooflow. Wichtig an dieser
Stelle ist lediglich, dass die zugewiesene Funktion zur Evaluation der Zielfunktion der
entspricht, die mit Hilfe des Optimierungsframeworks erstellt wurde.
3. Ist mehr als ein Thread zu verwenden, muss das Modflow-Modell entsprechend oft
kopiert sein. Für eine Parallelisierung auf k Threads, sind k Kopien zu erstellen. Die

S e i t e 10 | 36
Namen der Modellverzeichnisse sind am Ende von 0 bis k-1 durchnummeriert. Die
übergebene Variable threadnumber verweist dann jeweils auf die Kopie mit der
entsprechenden Endung.
Das Framework beinhaltet weitere Funktionalitäten, auf die hier nicht eingegangen
werden kann. Grundlegende Schritte innerhalb der Funktion eval_modflow, die den
Abschnitt #Code ersetzen sind:
1. Importieren des Optimierungsframework:
import Mooflow as moo
2. Aufsetzen einer Konfiguration mit Angabe des Simulationszeitschritts:
setup_mf = moo.classes.Mooflow_setup('month')
und setzen diverser Einstellungen über Attribute, z.B. des Verzeichnisses des Modflow-
Modells
setup_mf.modelfolder = mf
wobei mf in Falle einer Parallelisierung die threadnumber beinhaltet, z.B.
mf = „d:\modflow_2040rnc_{}“.format(threadnumber)
3. Die Parameterverwaltung instanziieren:
par_conf = moo.classes.Parameters(parameters)
Die Parameterverwaltung ordnet den Brunnengruppen die Optimierungsparameter
zu, die die Entnahme- oder Einleitungsmuster skalieren. Die Zuordnung ist in den
Brunnengruppen- und Grenzwertdateien festgehalten.
4. Einlesen der Brunnengruppendatei und Musterdatei, siehe Dateiansicht 1
Dateiansicht 2 und im Anhang:
reg_wellgroup, reg_well = moo.read.wells_and_wellgroups(setup_mf, wellgroupfile, patternfile)
5. Das Einlesen der Datei erzeugt Registrierungen für die einzelnen Brunnen und die
Brunnengruppen. Als nächstes wird die Grenzwertdateieingelesen (Dateiansicht 3
im Anhang), die die Spannweite der Skalierungen je Brunnengruppe (siehe
Abschnitt Entscheidungsvariablen) beinhaltet.
moo.read.boundaries(boundfile, reg_wellgroup)
Die Parameter lassen sich dann über die Parameterverwaltung auf die Spannweite
zurückrechnen
par_conf.rescale_for_wellgroup(wg)
Die Verknüpfung zwischen den Dateien ist im Anhang, unter Dateiansicht 1 bis
Dateiansicht 3 im Anhang beispielhaft dargestellt.
6. Als nächstes folgt ein Beispiel wie ein einzelner Standort, bei dem der
Grundwasserstand betrachtet werden soll, zu definieren ist. Zunächst wird einmalig
eine Registry für GW-Bereiche instanziiert
reg_argw = moo.classes.Register('Area_gw')
Ein einzelner Bereich kann mehrere Modellgitterpunkte (x, y) oder Tiefen (z) umfassen
loc = moo.classes.Area_gw(“Name” [[34, 45], [35, 45]]

S e i t e 11 | 36
loc.z = [1, 2]
Dem Bereich wird eine Funktion zur Auswertung zugewiesen, z.B. einen linearen
Trend über die Zeit zu berechnen
loc.set_area_function1(moo.funcs.linear_slope)
Abschließend wird der Bereich der Registry zugefügt
reg_argw.add(loc)
7. Die Brunnendateien in ein Modflow-Modell schreiben und Modflow starten
moo.write.write_well_dinm(setup_mf, reg_well)
setup_mf.run_model(silent=True)
8. Existiert ein Wasserverteilungssystem, ist ein pywr-Modell zu instanziieren, eine
Pywr-Modelldatei (json-Format) zuzuordnen und aktive Knoten zu definieren
pywr_mod = moo.classes.Pywr_model(setup_mf, timeseries=False)
pywr_modl.set_pywrfile('p2040_rri.json', Verzeichnis_der_Datei)
pywr_mod.active_nodes = ['214_IS', '210_IS', …]
Ist timeseries wahr, dann wird das Wasserverteilungssystem über einen Zeitraum
schrittweise simuliert, andernfalls erfolgt die Verteilung in einem Zeitschritt als
Gesamtbilanz. Mit active_nodes wird angegeben, welche Knoten im Verteilungssystem
mit in Modflow aus Brunnen belieferten Wasserraten (oder zu beliefern sind, für
Einleitungsbrunnen) zu verknüpfen sind (Achtung: Modflow-NWT wird benötigt, um
Defizite in der angeforderten Pumprate zu simulieren).
9. Um die Optimierung der Wasserverteilung zu starten, sind zunächst mögliche Defizite
in der angeforderten Grundwasserentnahme einzulesen Weiterhin sind die Knoten in
Pywr zu konfigurieren, Pywr auszuführen und dann die Ergebnisse einzulesen
dict_node_provides = moo.analyse.pywt_extr_nwt(setup_mf, reg_well, reg_wellgroup, pywr_mod)
pywr_mod.update_nodes_in_model(dict_node_provides)
pywr_mod.run_pywr()
pywr_mod.read_results()
10. Die Grundwasserstände für die festgelegten Bereiche auslesen:
dict_heads = moo.read.read_b_heads_reg(reg_argw, setup_mf)
11. Jetzt lassen sich die Zielfunktionen berechnen
zielfunktion1 = moo.funcs.sum_neg_slopes(dict_heads, 'all')
zielfunktion1 summiert die Steigungen aller Trends der Bereiche auf, falls diese
negativ sind.
zielfunktion2 = sum([pywr_model.results['Agr_210IS']['deficit_percent'], …])
zielfunktion2 summiert alle auftretenden Defizite aller landwirtschaftlichen
Bedarfsknoten auf und zielfunktion3 alle belieferten Wassermengen aus Quellen, die
Kosten verursachen

S e i t e 12 | 36
zielfunktion3 = sum([Pywr_model.results['tww_210IS']['provided_percent'], …])
Die Zielfunktionswerte sind dann an den Optimierungsalgorithmus als Liste
zurückzugeben.
12. Jetzt erfolgt die Initialisierung des Optimierungsalgorithmus. Die Konfiguration für
die Schritte 12 und 13 im Dictionary configuration enthalten
opt_mocmaes = moo.create_mocmaes(configuration)
13. Als letztes wird das Modell für die Parallelisierung vervielfältigt
opt_mocmaes.setup_modflow_parallel(configuration)
und dann der Start der Optimierung
opt_mocmaes.run()
II.1.2. Multi-kriterielle Optimierung und Entwicklungsszenarien
Die Evaluation des Optimierungsframework wird für ein fiktives wasserwirtschaftliches
System eingeführt. Soweit vorhanden, wurden Daten in den Entwurf übernommen. Es
muss jedoch noch einmal darauf hingewiesen werden, dass die hier erzielten Ergebnisse
auf Grund fehlender Datengrundlagen und dadurch erzwungenen freien Annahmen
keinen Bezug zur realen Bewirtschaftung von Ort haben und nicht für eine
Entscheidungsfindung genutzt werden sollten.
Die Durchführung der MKO entspricht dem Produkt WP 5.1.2. Die aus dem Pareto-Satz
abgeleiteten Entwicklungsszenerien konnten keine Stakeholder-Präferenzen mit
einbeziehen, weswegen auf die ursprünglich angedachte Anwendung der Methodik nach
Zio und Bazzo (2013) verzichtet wurde. Stattdessen werden vier über die Pareto-Front
verteilte Lösungen selektiert und detaillierter untersucht (entspricht Produkt 5.2.1).
Fallbeispiel
Das fiktive Wasserwirtschaftliche System erstreckt sich über den gesamten Western
Mountain Aquifer (WMA). Der WMA ist in Parzellen zur Bewirtschaftung des
Grundwasserleiters eingeteilt, angelehnt aus den Mitteilungen des Hydrological Service
of Israel state report (HSI, 1999), entnommen (Rahil and Natsheh, 2012), siehe
(Abbildung 4).

S e i t e 13 | 36
Abbildung 3: Wasserverteilungsnetz für das fiktive wasserwirtschaftliche System. Alle Rechtecke in
Orange sind Wasserbereitsteller (TWW – treated waste water, BW – brakish water, GW – ground
water), Rechtecke in Lachsfarben repräsentieren unterschiedliche Meerwasser-Entsalzungslagen,
Rechtecke in Weiß sind externe Quellen die den Wasserfußabdruck (WFP – Water Foot Print)
repräsentieren, ovale Felder sind Wasserabnehmer (Agr – Agriculture, Mun – Municipal and
industrial, Inf – infiltration wells). Die Pfeile geben die Fließrichtungen an.
Insgesamt sind dem System 513 Brunnen zugeordnet, wovon 32 Brunnen der
Grundwasseranreicherung dienen, die restlichen Brunnen sind Entnahmebrunnen.
Insgesamt fünf Meerwasser-Entsalzungsanlagen stehen bereit. Das gesamte
wasserwirtschaftliche Verteilungssystem ist in wie Abbildung 3 dargestellt.

S e i t e 14 | 36
Jeder Parzelle ist ein Bedarfsknoten für die Landwirtschaft (Agr_Parzelle) und Trink-
sowie Brauchwasserbedarf (Mun_Parzelle) zugewiesen. Bereitstellungsknoten in den
Parzellen sind wiederaufbereitetes Abwasser (TWW_Parzelle), gefördertes Grundwasser
aus Entnahmebrunnen (GW_Parzelle) sowie, falls die Parzelle am Mittelmeer angrenzt,
aufbereitetes Brackwasser (BW_Parzelle). Parzellen 210_IS und 211_IS besitzen mehrere
Einleitungsbrunnen (Inj_Parzelle) zur Grundwasseranreicherung.
Alle Parzellen haben darüber hinaus Anschluss an eine oder mehrere Entsalzungsanlagen
(DS_Parzelle) und können Wasser durch Konsum von importierten Produkten
ausgleichen, was den Wasserfußabdruck erhöht (WFP_IS oder WFP_WB).
Aus den Arbeiten der Arbeitsgruppe 3 wurden für die Zeitscheiben 2020, 2040 und 2050
Werte für die Quellen und Bedarfsknoten des fiktionalen Wasserverteilungsnetzes
abgeleitet (siehe Tabelle 7 bis Tabelle 11 im Anhang). Grundlegend hierfür sind die
Rahmenszenerien RNC (Nature Conservation), die eine eher ökologisch ausgerichtete
Entwicklung beschreibt und RRI, die eine eher Ressourcenintensive Entwicklung bis 2050
vorsieht. Die im Szenarienkatalog gegebenen Werte für Westbank und Israel der wurden
für die einzelnen Parzellen nach ihren Flächenenteilen zur jeweiligen Gesamtfläche
(entsprechend Westbank, Israel) heruntergerechnet.
Der Simulationszeitraum für jede Zeitscheibe beträgt 20 Jahre. Die Grundwasser-
neubildung (GWN) über diesen Zeitraum entspricht der des Zeitraums 1997-2007 und
wurde dem von Arbeitsgruppe 2 bereitgestellten Modflow-Modell entnommen. Die GWN
für die Zeitscheiben 2020, 2040 und 2050 entsprechen den GWN des Zeitraums
1997-2007, jedoch jeweils korrigiert mit einem Faktor, der eine Abminderung der
klimawandelbedingten Reduzierung der Grundwasserneubildung berücksichtigt. Der
Rückgangsfaktor entspricht dem Quotienten des flächengemittelten mittlerem
Niederschlags des Zeitraums 1997-2007 und den flächengemittelten mittleren
Niederschlägen der Zeitscheiben 2040-2060 (0,83) und 2050-2070 (0,77).

S e i t e 15 | 36
Abbildung 4: Karte des Western Mountain Aquifer (orange), eingeteilt in Bewirtschaftungs-
parzellen mit Entnahmebrunnen, Einleitungsbrunnen sowie Entsalzungsanlagen.
Beschreibung der Zielfunktionen
Die multikriterielle Optimierung wird mit drei zu minimierende Zielfunktionen
durchgeführt.
Die Minimierung der Zielfunktion F1, Formel Eq.1, führt zu einer nachhaltigeren
Bewirtschaftung des Grundwasserleiters und zur Verbesserung der Ökologie in
Quellbereichen. F1 beschreibt insgesamt drei Teilaspekte: die Quellschüttung der vom
Grundwasser gespeisten Tarmin-Quelle, die Unterschreitung von Grenzwerten des
Grundwasserstands und die Entwicklung der Grundwasserstände über die Zeit
    .
Eq.1
 entsprich der maximalen Anzahl an Monaten mit einer sukzessiven Unterschreitung
der Quellschüttung im Simulationszeitraum. Der Grenzwert ist hier 70000 m³ pro
Monat.
 summiert die Zeitschritte t mit einer Unterschreitung des administrativ gesetzten
Grenzwerte für mehrere Standorte        



 , wobei
gilt    
  
 betrachtet die trendhafte Entwicklung des Grundwasserstandes an verschiedenen
Standorten, indem mittels einer linearen Regression       
  ein linearer Trend über die Zeitreihe des Grundwasserstandes gelegt wird.

S e i t e 16 | 36
Über alle Standorte wird dann die Summe aller negativen Steigungsparameter 
ermittelt, 

 Die Standorte, an denen der Grundwasserstand für
und  mittels Modflow bestimmt wird, sind im Anhang unter Abbildung 16 zu
finden.
Die Zielfunktion F2, Formel Eq.2, summiert die anteiligen Defizite (Bedarf B minus Zufluss
Q) der Bedarfsknoten aus den Sektoren Landwirtschaft     




 und Trink- sowie Brauchwasser     



 auf
 .
Eq.2
Die Zielfunktion F3, Formel Eq.3, ermittelt die Gesamtmenge des bereitgestellten Wassers
aus Quellen, dessen Bereitstellung eine monetäre Aufwendung zugeschrieben wird
          .
Eq.3
Das bereitgestellte Wasser  entstammt Entsalzungsanlagen    




 aufbereitetem Abwasser    



 und aus einem Pool, der
importierte agrarwirtschaftliche Erzeugnisse über den Wasserfußabdruck beschreibt
   



  ist dabei jeweils das maximal lieferbare Dargebot eines
Bereitstellungsknotens (siehe Tabellen 8 bis 12 im Anhang).
Die Wichtungsfaktoren in Eq.3 beschreiben eine (willkürlich gesetzte) höhere Wichtung
auf den Wasserfußabdruck, die insgesamt höhere Kosten für Importe gegenüber der
Aufbereitung von Wasser durch Entsalzungsanlagen und der Wiederaufbereitung von
Brauchwasser impliziert. Die Verwendung von Brackwasser wird als kostenfrei
angenommen und somit für F3 vernachlässigt.
Entscheidungsvariablen
Um die Bewirtschaftung von insgesamt 513 Brunnen im Modell zu verändern, können
insgesamt 10 Parameter optimiert werden. Diese entsprechen 8 Parametern zur
Skalierung der Entnahmemuster der Entnahmebrunnen, jeweils eingeteilt nach der
Zugehörigkeit zu den Parzellen, sowie 2 Parametern zur Skalierung der
Einspeisungsmuster der Einspeisungsbrunnen in den Parzellen 210_IS und 211_IS, siehe
Abbildung 4.
Der Wertebereich , in dem die Paramater  innerhalb des Optimierungsalgorithmus
liegen können, ist [0, 1]. Dieser wird mit einem zweiten Wertebereich verknüpft, der für
alle Brunnen einer Brunnengruppe gilt,  . Schließlich ist für jeden Brunnen
b das saisonale Entnahme- oder Einleitungsmuster  gegeben.
Die Entnahme oder Einleitung für die Saison s ergibt sich dann jeweils mittels
       .
Ergebnisse für die Zeitscheibe 2020, Basisszenario
Eine hinreichend konvergierte Approximation der Pareto-Front tritt nach rund 100
Iterationen mit einer Populationsgröße von 20 Individuen ein. Bei einer Verteilung der
Rechenlast von knapp 2000 CPU-Stunden auf 10 Kerne (dual Epyc 7281) beträgt die
Rechenzeit für die MKO eines Szenerios in etwa 8 Tage. Für alle 5 Szenarien betragen die

S e i t e 17 | 36
gesamten CPU-Stunden also rund 10000 Stunden, bei jeweils 3 simultan laufenden
Optimierungen wurden insgesamt rund 16 Tage benötigt.
Abbildung 5: Pareto-Front für das Szenario RNC in der Zeitscheibe 2020 mit vier ausgewählten
Lösungen S1 bis S2. Die Werte aller Lösungen für F2 sind 0.0, daher ist nur die Randverteilung über
F1 und F3 dargestellt.
Im Pareto-Set der Optimierung für das Szenario NRC in der Zeitscheibe 2020 existieren
keine Lösungen mit einem Defizit (F2 > 0). Alle Bedarfsknoten lassen sich auch bei
reduzierter Entnahme durch alternative Quellen decken. Abbildung 5 zeigt die Pareto-
Front daher anstatt einer 3D-Darstellung in einem 2D-Streudiagramm.
Tabelle 1: Bereitgestellte und verbrauchte jährliche Wassermengen im WMA für die vier
ausgewählten Lösungen für die Zeitscheibe 2020.
S1
S2
S3
S4
Art
MCM/a
MCM/a
MCM/a
MCM/a
Quelle
TWW
80.28
BW
44.27
DS
198.86
WFP
136.02
121.22
117.83
109.28
GW
12.02
29.63
33.02
35.52
Bedarf
Inj
3.24
6.05
6.05
0.00
Agg
267.05
Mun
201.15
Summe
Bereitstellung
471.44
474.25
474.25
468.20
Bedarf
471.44
474.25
474.25
468.20
Die Pareto-Front zeigt unterhalb von F1-Werten von etwa 80 eine scharfe Zunahme in
den Bereitstellungskosten, die erforderlich sind, um eine kleine Verbesserung des

S e i t e 18 | 36
Zustands des WMA zu generieren. Anders ausgedrückt führen kleine Kosteneinsparungen
in der Wasserbereitstellung unter F3-Werten von 276 zu einer deutlich schnelleren
Verschlechterung des Zustands des WMA, mit abnehmender Nachhaltigkeit.
Zur näheren Untersuchung der möglichen Kompromisse in der Bewirtschaftung
hinsichtlich der gesetzten konträren Ziele wurden vier Lösungen S1 bis S4 ausgewählt.
Eine Zusammenfassung der bereitgestellten jährlichen Wasserraten und an die
Bedarfsknoten gelieferten Wasserraten listet Tabelle 1. Die bereitgestellten Raten aus der
Brauchwasseraufbereitung (TWW), Brackwasseraufbereitung (BW) sowie aus der
Meerwasserentsalzung sind für alle vier Lösungen S1 bis S4 unveränderlich und daher
gleich, ebenso der Bedarf an Brauchwasser (Mun) und Bewässerungswasser (Agr).
Tabelle 2: Anzahl maximalen Zeiträume, in Monaten, in denen der Mindestwert der Quellschüttung
an der Tarmin—Quelle unterschritten wird.
Lösung
S1
S2
S3
S4
2020,
Baseline
3
3
210
234
2040, RNC
3
3
3
3
2040, RRI
3
8
10
126
2050, RNC
3
21
151
233
2050, RRI
3
6
9
126
Abweichungen zwischen den Lösungen S1 bis S4 in der Summe an breitgestelltem und
verbrauchtem Wasser ergeben sich durch die, in der Optimierung veränderten,
Grundwasserentnahmen und Einspeisungen ins Grundwasser.
Unter den Lösungen S1 wird am wenigsten Grundwasser gefördert. Nicht ausreichend aus
dem Grundwasser bereitgestelltes Bewässerungswasser wird primär durch einen
erhöhten Wasserfußabdruck ausgeglichen. Eine mögliche Interpretation wäre eine
verminderte landwirtschaftliche Anbaufläche und ein erhöhter Import von Feldfrüchten.
S4 ist die einzige ausgewählte Lösung, die aus monetären Gründen (geringe F3) keine
Grundwasseranreicherung vorsieht, die hohen Zielfunktionswerte für F2 deuten auf eine
nicht nachhaltige Bewirtschaftung, was die über den Zeitraum rapide abnehmenden
Grundwasserstände in Abbildung 6 bestätigen. Die Grundwasserstände der Lösungen S1
bis S2 sind durchweg über den Schwellenwerten (schwarze Linien).
Auch S3 bietet im betrachteten Zeitraum keine nachhaltige Bewirtschaftung. Nach Tabelle
2 ist der Zeitraum, in dem der Mindestwert der Quellschüttung für S3 unterschritten wird,
trotz der langsamen sinkenden Grundwasserstände mit 210 Monaten, fast genau hoch
wie für S4.

S e i t e 19 | 36
Abbildung 6: Entwicklung der Grundwasserstände an den zehn Beobachtungsstellen (siehe
Abbildung 16) für die vier selektierten Lösungen in der Zeitscheibe 2020, Szenario RNC.

S e i t e 20 | 36
Ergebnisse für die Zeitscheibe 2040, Szenario RNC
Mit ressourcenschonenden Rahmenbedingungen treten in der Zeitscheibe 2040 bei den
40 Lösungen in der Pareto-Front keine Defizite (F2 > 0) auf.
Abbildung 7: Pareto-Front für das Szenario RNC in der Zeitscheibe 2040 mit vier ausgewählten
Lösungen S1 bis S2. Die Werte aller Lösungen für F2 sind 0.0, daher ist nur die Randverteilung über
F1 und F3 dargestellt.
Auch hier existiert ein ausgeprägter Knickpunkt in der Pareto-Front, in dem sich das
Verhalten innerhalb der Bewirtschaftung ändert. Bis zu F3-Werten von etwa 325 kann
aus Kostengründen die Grundwasserförderung durch die Lösungen diktiert, erhöht
werden, ohne dass größere negative Änderungen in Bezug auf die Nachhaltigkeit ergeben.
Unterhalb des Knickpunkts bei F3~325 führen dann kleine Änderungen zugunsten von
Kosteneinsparungen zu großen Einbußen in der Nachhaltigkeit. Das Verhalten zwischen
beiden Zielfunktionen ist in diesem Bereich in etwa linear.
Im Vergleich zum Basisszenario 2020 ist unter den Bedingungen 2040, RNC ein höherer
monetärer Aufwand zu erwarten. Es steht eine erhöhte Entsalzungsleistung und eine
ausgebaute Brauchwasseraufbereitung zur Verfügung und wird auch benötigt. Mit Blick
auf Tabelle 2 und Abbildung 8 lässt das Ressourcenschonende Szenario unter den
Randbedingungen eine weite Variationsbreite an Lösungen zu, die eine nachhaltige
Bewirtschaftung erlauben.

S e i t e 21 | 36
Tabelle 3: Bereitgestellte und verbrauchte jährliche Wassermengen im WMA für die vier
ausgewählten Lösungen für die Zeitscheibe 2040 und Szenario RNC.
S1
S2
S3
S4
Art
MCM/a
MCM/a
MCM/a
MCM/a
Quelle
TWW
132.53
BW
0.00
DS
282.94
WFP
138.52
124.46
125.64
127.66
GW
5.72
22.60
21.56
16.80
Bedarf
Inj
3.13
5.47
5.62
2.88
Agr
273.65
273.65
273.65
273.65
Mun
282.94
282.94
282.94
282.94
Summe
Bereitstellung
559.72
562.07
562.21
559.47
Bedarf
559.72
562.07
562.21
559.47
Für die selektierten Lösungen S1 bis S4 sinken die Grundwasserstände nach Abbildung 8
nicht unter die gesetzten Schwellenwerte. Dies ist demnach für alle Lösungen mit F1< 700
zu erwarten. Nach Tabelle 2 sind die maximalen Zeiträume mit sukzessiven
unterschrittenen Quellschüttungen für alle Lösungen unverändert 3 Monate.
Abbildung 8: Entwicklung der Grundwasserstände an den zehn Beobachtungsstellen (siehe
Abbildung 16) für die vier selektierten Lösungen in der Zeitscheibe 2020, Szenario RNC.

S e i t e 22 | 36
Ergebnisse für die Zeitscheibe 2040, Szenario RRI
Abbildung 9: Pareto-Front für das Szenario RRI in der Zeitscheibe 2040 mit vier ausgewählten
Lösungen S1 bis S2.
Das Alleinstellungsmerkmal der Optimierung des ressourcen-intensiven Szenarios RRI in
der Zeitscheibe 2040 ist das Vorhandensein von Lösungen mit auftretenden Defiziten in
der Wasserbereitstellung. Der kleinste F2-Wert in der Pareto-Front ist dabei 21,66.
Dementsprechend zeigt Tabelle 8 eine dreidimensionale Darstellung der Pareto-Front.
Tabelle 4: Bereitgestellte und verbrauchte jährliche Wassermengen im WMA für die vier
ausgewählten Lösungen für die Zeitscheibe 2040 und Szenario RRI.
S0
S1
S2
S3
Art
MCM/a
MCM/a
MCM/a
MCM/a
Quelle
TWW
113.13
BW
0.00
DS
325.17
WFP
214.47
222.49
210.08
211.92
GW
26.96
18.66
31.19
27.71
Bedarf
Inj
6.03
5.79
5.87
5.35
Agr
350.14
Mun
325.17
Summe
Bereitstellung
679.73
679.46
679.57
677.93
Bedarf
681.34
681.10
681.18
680.66

S e i t e 23 | 36
Lösungen mit höheren Defiziten zeigen jedoch im Vergleich zu Lösungen mit sehr
geringen Defiziten kaum Vorzüge durch eine relevante Kombination von besseren
F1- und F2-Werten auf, weswegen auf eine Auswertung dieser Lösungen verzichtet
werden kann. Diese Lösungen sollten für Stakeholder weniger interessant sein. Die
Zielfunktionswerte F1 bis F3 der selektierten Lösungen sind S0: 23,5, 26.8 und 395; für
S1: 49,9, 26,2 und 393,5; für S2: 519,0, 26,4 und 392,8 sowie für S3: 157,9, 43,2 und 393,1.
Nach Tabelle 4 und Abbildung 10 empfehlen sich die Lösungen S0 und S1 für eine
nachhaltige Bewirtschaftung, Lösung S2 zeigt in der Tendenz sinkende
Grundwasserspiegel und Lösung S3 favorisiert die kurzzeitig kostengünstige
Bewirtschaftung vor Nachhaltigkeit.
Abbildung 10: Entwicklung der Grundwasserstände an den zehn Beobachtungsstellen (siehe
Abbildung 6) für die fünf selektierten Lösungen in der Zeitscheibe 2040, Szenario RRI.
Abbildung 11 zeigt für jede Lösung im Pareto-Set die Werte der Skalierungsfaktoren, für
die Entnahme- oder Einleitungsmuster im Wertebereich. Der Wertebereich für die
Entnahmemuster ist   und für die Einleitungsmuster .
Für Entnahmen ergibt sich somit ab einem Wert von 0,66 eine Steigerung gegenüber dem
originalen Entnahmewert.

S e i t e 24 | 36
Abbildung 11: Verteilung der Optimierungsparameter für die Lösungen im Pareto-Satz für das
Szenario 2040, RNC, eingefärbt nach den zugehörigen F1-Werten.
Lösungen mit einer höheren Nachhaltigkeit, bei geringen F1-Werten, zeichnen sich
eindeutig durch eine Absenkung der Entnahmen in der Parzellen 210_IS und 212_IS aus.
Für alle anderen Parameter sind keine eindeutigen Beziehungen zu F1 festzustellen. Hier
ist die jeweilige Kombination der Skalierungsfaktoren ausschlaggebend.
Ergebnisse für die Zeitscheibe 2050, Szenario RNC
Abbildung 12: Pareto-Front für das Szenario RNC in der Zeitscheibe 2050 mit vier ausgewählten
Lösungen S1 bis S2. Die Werte aller Lösungen für F2 sind 0.0, daher ist nur die Randverteilung über
F1 und F3 dargestellt.

S e i t e 25 | 36
Auch die Pareto-Front des Szenarios 2050, RNC besitzt einen Knickpunkt, der durch einen
deutlichen Anstieg der Kosten (F3) je verbesserter Nachhaltigkeit (F1) unterhalb von
F1~90 entsteht.
Die vier selektierten Lösungen bevorzugen eher nachhaltige Bewirtschaftungen. Mit der
Bewirtschaftung unter Lösung S1 wird im Vergleich zu S2 nach Tabelle 5 deutlich weniger
Grundwasser gefördert. Eine Grundwasseranreicherung wird unter S1 in hohem Maße
betrieben, unter S4 wird lediglich 60.000m³ je Jahr eingeleitet und Lösungen S2 und S3
verzichten auf eine Anreicherung. Dies hat nach Abbildung 13 zur Folge, dass der
Grundwasserspiegel für S1 und S2 über den Zeitraum auf einem konstanten Niveau
oberhalb der Schwellenwerte gehalten werden kann.
Abbildung 13: Entwicklung der Grundwasserstände an den zehn Beobachtungsstellen (siehe
Abbildung 6) für die fünf selektierten Lösungen in der Zeitscheibe 2050, Szenario RNC.
Dies hat nach Abbildung 13 zur Folge, dass der Grundwasserspiegel für S1 und S2 über
den Zeitraum auf einem konstanten Niveau oberhalb der Schwellenwerte gehalten
werden kann. Für S1 spricht, im Vergleich zu S2, nach Tabelle 2 der mit 3 Monaten zu 21
Monaten deutlich kürzere Zeitraum mit einer Unterschreitung der Quellschüttung. Je
stärker geringe Kosten priorisiert werden, desto schneller sinken die Grundwasserstände
durch Überbeanspruchung, siehe Lösungen S3 und S4.

S e i t e 26 | 36
Tabelle 5: Realisierte bereitgestellte und verbrauchte jährliche Wassermengen im WMA für die vier
ausgewählten Lösungen für die Zeitscheibe 2020 und Szenario RNC.
S1
S2
S3
S4
Art
MCM/a
MCM/a
MCM/a
MCM/a
Quelle
TWW
151.22
BW
0.00
DS
315.30
WFP
108.97
106.75
105.69
92.43
GW
5.75
15.60
19.52
30.57
Bedarf
Inj
5.18
0.00
0.00
0.06
Agr
258.30
Mun
317.76
Summe
Bereitstellung
581.24
576.06
576.06
576.12
Bedarf
581.24
576.06
576.06
576.12
Ergebnisse für die Zeitscheibe 2050, Szenario RRI
Auch in der letzten Zeitscheibe und dem Ressourcen-intensiven Szenario lassen sich
Bewirtschaftungsstrategien finden, die Nachhaltigkeit im WMA für das fiktive
Wasserwirtschaftliche System versprechen.
Abbildung 14: Pareto-Front für das Szenario RRI in der Zeitscheibe 2050 mit vier ausgewählten
Lösungen S1 bis S2. Die Werte aller Lösungen für F2 sind 0.0, daher ist nur die Randverteilung über
F1 und F3 dargestellt.

S e i t e 27 | 36
In der approximierten Pareto-Front in Abbildung 14 sind wiederum vier Lösungen
ausgewählt, die bis auf Lösung S4 eher nachhaltige Verhältnisse bevorzugen. Im Vergleich
zum Szenario RNC zeigt Tabelle 6in der gleichen Zeitscheibe ist der deutlich gestiegene
Bedarf von über 770MCM pro Jahr gegenüber den rund 570MCUM pro Jahr zu erkennen.
Ein hoher Anteil des gestiegenen Bedarfs wird durch den höheren Wasserfußabdruck
gedeckt.
Tabelle 6: Realisierte bereitgestellte und verbrauchte jährliche Wassermengen im WMA für die vier
ausgewählten Lösungen für die Zeitscheibe 2050 und Szenario RRI.
S1
S2
S3
S4
Art
MCM/a
MCM/a
MCM/a
MCM/a
Quelle
TWW
132.44
BW
0.00
DS
397.22
WFP
247.66
235.60
242.95
219.03
GW
1.48
8.16
5.27
29.71
Bedarf
Inj
6.05
0.67
5.13
5.64
Agr
375.53
Mun
397.22
Summe
Bereitstellung
778.80
773.42
777.88
778.39
Bedarf
778.80
773.42
777.88
778.39

S e i t e 28 | 36
Lösungen S1 bis S3 deuten auf eine nachhaltige Entwicklung der Grundwasserstände im
Simulationszeitraum. Nach Tabelle 2 steigt der kürzere Zeitraum mit einer
Unterschreitung der Quellschüttung von S1, S2 zu S3 nur leicht von 3 zu 6 und 9 Monaten.
Abbildung 15: Entwicklung der Grundwasserstände an den zehn Beobachtungsstellen (siehe
Abbildung 6) für die fünf selektierten Lösungen in der Zeitscheibe 2050, Szenario RRI.
II.2. Literaturrecherche
Das Ergebnis der Literaturrecherche zu Bewässerungsmethoden sowie die aktuellen
wissenschaftlichen Fortschritte in der Bewässerungsoptimierung zur späteren
Integration in das DSS (WP6) ist ein Bericht in Englischer Sprache über 31 Seiten und
verweist auf 68 Literaturangaben. Der Bericht behandelt Themen wie Leeching,
Bewässerungsmethoden und Effizienzsteigerung in der Bewässerung.
II.3. Wichtigste Positionen des zahlenmäßigen Nachweises
Die größte Position der von den 60% vom BMBF geförderten Mittel waren Personalmittel.
Diese waren nötig, um die erforderlichen Arbeiten innerhalb des Projekts erfolgreich
durchzuführen.
II.4. Notwendigkeit und Angemessenheit der geleisteten Arbeit
Die durchgeführten Arbeiten sind in Hinblick auf die erzielten Ergebnisse als angemessen
zu bewerten, und wären nur aus Mitteln der zur Verfügung stehenden Grundfinanzierung
nicht zu leisten gewesen.

S e i t e 29 | 36
II.5. Voraussichtlicher Nutzen, Verwertbarkeit des Ergebnisses
Eine Veröffentlichung des hier vorgestellten Optimierungsframeworks als Opensource-
Software ist in Vorbereitung. Der Vertrieb als freie Software bietet den größten
allgemeinen Nutzen. Indem andere Forschungsgruppen, Unternehmen oder Consultings
das Framework kostenlos beziehen, anwenden und weiterentwickeln können, um die
Verfügbarkeit und nachhaltige Bewirtschaftung zu fördern wird ein Beitrag zu SDG6
erreicht.
Für das BAH dient es als weitere Referenz für Expertensoftware. Die Software wird unter
https://bitbucket.org/BAH_Berlin/mooflow
gehostet.
Die Dokumentation ist unter
https://mooflow.readthedocs.io/en/latest/index.html
zu finden.
II.6. Bekannt gewordener Fortschritt auf dem Gebiet des Vorhabens bei
anderen Stellen
Relevante Fortschritte auf anderen Stellen sind den Autoren nicht bekannt.
II.7. Veröffentlichungen und Fachvorträge des Projektkonsortiums
Da die Evaluation des Optimierungsframeworks nicht auf ein real existierendes
wasserwirtschaftliches System angewandt werden konnte, wurden keine
Veröffentlichungen in Fachzeitschriften über die hier geleisteten Arbeiten durchgeführt.
Das Optimierungsframework wurde in einem Technischen Papier für die
Abschlusskonferenz von GROW vorgestellt, sowie in Präsentationen zur Status und
Abschlusskonferenz der GRoW-Initiative. Weiterhin ist das Optimierungsframework im
Innovationsatlas Wasser gelistet.
Das Optimierungsframework ist auf den in Abschnitt II.5 genannten Webseiten zu finden.

S e i t e 30 | 36
Literatur
Afshar, A. & Tavakoli, M. & Khodagholi, A., 2020. Multi-Objective Hydro-Economic
Modeling for Sustainable Groundwater Management. Water Resources Management.
34. 10.1007/s11269-020-02533-4.
Alfieri, L., Velasco, D., and Thielen, J., 2010. Flash flood detection through a multi-stage
probabilistic warning system for heavy precipitation events, Adv. Geosci., 29, 69–75.
Bakker, M., Post, V., Langevin, C. D., Hughes, J. D., White, J. T., Starn, J. J. and Fienen, M. N.,
2016. Scripting MODFLOW Model Development Using Python and FloPy:
Groundwater, v. 54, p. 733–739, doi:10.1111/gwat.12413.
Chen, Y.W., Chang, L.C., Huang, C.W., Chu, H.J., 2013. Applying Genetic Algorithm and
Neural Network to the Conjunctive Use of Surface and Subsurface Water, Water
Resour Manage, 27:4731–4757, DOI 10.1007/s11269-013-0418-9
Fortin, F.A., De Rainville F.M., Gardner, M.A., Parizeau, M. and Gagné, C., 2012. "DEAP:
Evolutionary Algorithms Made Easy", Journal of Machine Learning Research, vol. 13,
pp. 2171-2175.
Garrett, A., 2012. inspyred (Version 1.0.1) [software]. Inspired Intelligence. Retrieved
from https://github.com/aarongarrett/inspyred, Accessed: 2020-07-16.
Hadka, D., 2020. Platypus: multi objective optimization in python.
https://platypus.readthedocs.io. Accessed: 2020-07-16.
Heydari, F., Saghafian, B., Delavar, M., 2016. Coupled Quantity-Quality Simulation-
Optimization Model for Conjunctive Surface-Groundwater Use, Water Resour
Manage, 30:4381–4397, DOI 10.1007/s11269-016-1426-3
Igel C, Hansen N, Roth S., 2007. Covariance matrix adaptation for multi-objective
optimization. Evol Comput. 2007;15(1):1-28. doi:10.1162/evco.2007.15.1.1
Izzo, D., 2012. PyGMO and PyKEP: Open Source Tools for Massively Parallel Optimization
in Astrodynamics (the case of interplanetary trajectory optimization), International
Conference on Astrodynamics Tools and Techniques – ICATT
Larichev, O.I., 1992. Cognitive validity in design of decision-aiding techniques. Journal of
MultiCriteria Decision Analysis, 1(3):127–138, doi: 10.1002/mcda.4020010303.
Müller, M., 2020. Python Wrapper for MODFLOW 6, [software]. Retrieved from
https://github.com/hydrocomputing/pymf6, Accessed: 2020-07-16.
Rahi, M. and Natsheh, B., 2012. Water crises and agricultural development in Palestine,
Conference Proceedings Palestine Technical University-Kadoorie, Tulkam
Sadegh, S.-T., Samadi, V., Akbarpour, A., Bilondi, M., 2016. Sustainable Groundwater
Modeling Using Single and Multi Objective Optimization Algorithms. Journal of
Hydroinformatics. 19. 10.2166/hydro.2016.006.
Tomlinson, J.E., Arnott, J.H. and Harou, J.J., 2020. A water resource simulator in Python.
Environmental Modelling & Software.
Virtanen, P., Gommers, R., Oliphant, T.E., et al., 2020. SciPy 1.0: Fundamental Algorithms
for Scientific Computing in Python. Nature Methods, in press.
Yin, J. & Pham, H. & Tsai, F., 2020. Multi-objective Spatial Pumping
Optimization for Groundwater Management in a Multi-Aquifer System. Journal of

S e i t e 31 | 36
Water Resources Planning and Management.
146. 04020013.10.1061/(ASCE)WR.1943-5452.0001180.
Yin, J. & Tsai, F., 2017. Multi-Objective groundwater management to mitigate saltwater
intrusion in the Baton Rouge aquifer system, Southeast Louisiana.
Zio, E., and Bazzo, R. 2011. A clustering procedure for reducing the number of
representative solutions in the Pareto Front of multiobjective optimization problems.
European Journal of Operational Research 210.3: 624-634.

S e i t e 32 | 36
Anhang
Dateiansicht 1: Die Brunnengruppen-Datei listet die Brunnen mit Namen „Index“ und den
zugehörigen Muster-Klassen (p_class) sowie der Brunnen-eigenen Spannweite des Musters (min
und max), der Zuordnung zu einem aktiven Knoten im pyw-Modell (active_node) und Zugehörigkeit
zu einer Brunnengruppe (well_goup)
index
layer
row
column
p_class
max
min
active_node
well_group
GWW1
2
245
32
0
-275.406
-2496.742
220_IS
220_IS
GWW2
2
110
89
1
-204.828
-1439.866
210_IS
210_IS
…
…
…
InjW1
2
95
85
16
12000
0
Inf_211IS
Inf_211IS
Dateiansicht 2: Die Muster-Datei listet unter der Index die Nummer der Saison (hier Monat) die
normierten Werte der Entnahme-/Einleitungsmuster für die Musterklassen(p_class_x)
index
p_class_0
p_class_1
…
p_class_x
1
0.48491538
0.86890743
0.9589129
2
0.73323479
0.72823815
1
3
0.95354784
0.65735321
0.90640951
…
…
…
12
0.7820344
0.83832091
0.96752979
Dateiansicht 3: Die Grenzwert-Datei listest für Brunnengruppen die jeweils gültigen oberen und
unteren Randbedingungen für alle Saison. Eine einzelne Angabe für Saison 1 gilt für alle Saison,
ansonsten gilt eine Angabe für die jeweilige Saison. Die Summe der Angaben hier entspricht der
Anzahl der Optimierungsparameter
wellgroup
boundary
1
2
3
…
12
210_IS
lower
0.25
210_IS
upper
1.75
220_IS
lower
0.5
220_IS
upper
1.5
Inf_211IS
lower
0.8
0.9
0.6
…
0.7
Inf_211IS
upper
1.2
1.5
1.1
…
1.4

S e i t e 33 | 36
Tabelle 7: Randbedingungen für die Parzellen im Modell für die Zeitscheibe 2020, abgeleitet aus
dem MedWater-Produkt 3.2
Aufbereitetes
Abwasser
(TWW)
Brackwasser
(BW)
Bewässerungs-
wasserbedarf
(Agr)
Brauchwasserbedarf
(Mun)
Parzelle
MCM/a
MCM/a
MCM/a
MCM/a
210 IS
24.57
7.84
45.62
30.97
210 WB
25.52
211 IS
49.31
15.73
91.54
62.14
211 WB
29.52
212 IS
5.55
1.77
10.30
6.99
212 WB
3.15
214 IS
0.90
0.29
1.67
1.14
220 IS
58.70
18.73
108.98
73.98
220 WB
17.52
221 WB
10.66
Tabelle 8: Randbedingungen für die Parzellen im Modell für die Zeitscheibe 2040, Szenario RNC,
abgeleitet aus dem MedWater-Produkt 3.2
Aufbereitetes
Abwasser
(TWW)
Brackwasser
(BW)
Bewässerungs-
wasserbedarf
(Agr)
Brauchwasserbedarf
(Mun)
MCM/a
MCM/a
MCM/a
MCM/a
210 IS
34.84
1.72
40.49
38.86
210 WB
4.40
13.21
18.63
211 IS
69.91
3.46
81.24
77.98
211 WB
5.09
15.28
21.56
212 IS
7.87
0.39
9.14
8.78
212 WB
0.54
1.63
2.30
214 IS
1.28
0.06
1.48
1.42
220 IS
83.23
4.12
96.71
92.84
220 WB
3.02
9.07
12.79
221 WB
1.84
5.52
7.78
Tabelle 9: Randbedingungen für die Parzellen im Modell für die Zeitscheibe 2040, Szenario RRI,
abgeleitet aus dem MedWater-Produkt 3.2
Aufbereitetes
Abwasser
(TWW)
Brackwasser
(BW)
Bewässerungs-
wasserbedarf
(Agr)
Brauchwasserbedarf
(Mun)
MCM/a
MCM/a
MCM/a
MCM/a
210 IS
32.43
0.00
54.01
45.09
210 WB
2.15
13.21
20.71
211 IS
65.06
0.00
108.37
90.47
211 WB
2.49
15.28
23.96
212 IS
7.32
0.00
12.20
10.18
212 WB
0.27
1.63
2.56
214 IS
1.19
0.00
1.98
1.65
220 IS
77.46
0.00
129.02
107.70
220 WB
1.48
9.07
14.22
221 WB
0.90
5.52
8.65

S e i t e 34 | 36
Tabelle 10: Randbedingungen für die Parzellen im Modell für die Zeitscheibe 2050, Szenario RNC,
abgeleitet aus dem MedWater-Produkt 3.2
Aufbereitetes
Abwasser
(TWW)
Brackwasser
(BW)
Bewässerungs-
wasserbedarf
(Agr)
Brauchwasserbedarf
(Mun)
MCM/a
MCM/a
MCM/a
MCM/a
210 IS
43.11
0.00
37.23
42.95
210 WB
7.20
14.09
22.08
211 IS
86.50
0.00
74.71
86.19
211 WB
8.33
16.30
25.55
212 IS
9.74
0.00
8.41
9.70
212 WB
0.89
1.74
2.73
214 IS
1.58
0.00
1.36
1.57
220 IS
102.99
0.00
88.94
102.61
220 WB
4.94
9.67
15.16
221 WB
3.01
5.88
9.22
Tabelle 11: Randbedingungen für die Parzellen im Modell für die Zeitscheibe 2050, Szenario RRI,
abgeleitet aus dem MedWater-Produkt 3.2
Aufbereitetes
Abwasser
(TWW)
Brackwasser
(BW)
Bewässerungs-
wasserbedarf
(Agr)
Brauchwasserbedarf
(Mun)
MCM/a
MCM/a
MCM/a
MCM/a
210 IS
36.42
0.00
55.85
53.69
210 WB
3.97
17.61
27.60
211 IS
73.07
0.00
112.06
107.74
211 WB
4.59
20.38
31.93
212 IS
8.22
0.00
12.61
12.13
212 WB
0.49
2.18
3.41
214 IS
1.33
0.00
2.05
1.97
220 IS
86.99
0.00
133.42
128.27
220 WB
2.72
12.09
18.95
221 WB
1.66
7.36
11.53

S e i t e 35 | 36
Abbildung 16: Karte des WMA mit den Grundwassermessstellen (TL1 bis TL10) mit
Schwellenwerten des Grundwasserstands.